第1章　Python與機器學習入門 1
1.1 機器學習緒論 1
1.1.1 什麼是機器學習 2
1.1.2 機器學習常用術語 3
1.1.3 機器學習的重要性 6
1.2 人生苦短，我用Python 7
1.2.1 為何選擇Python 7
1.2.2 Python 在機器學習領域的優勢 8
1.2.3 Anaconda的安裝與使用 8
1.3 第一個機器學習樣例 12
1.3.1 獲取與處理數據 13
1.3.2 選擇與訓練模型 14
1.3.3 評估與可視化結果 15
1.4 本章小結 17
第2章　貝葉斯分類器 18
2.1 貝葉斯學派 18
2.1.1 貝葉斯學派與頻率學派 19
2.1.2 貝葉斯決策論 19
2.2 參數估計 20
2.2.1 極大似然估計（ML估計） 21
2.2.2 極大後驗概率估計（MAP估計） 22
2.3 樸素貝葉斯 23
2.3.1 算法陳述與基本架構的搭建 23
2.3.2 MultinomialNB的實現與評估 31
2.3.3 GaussianNB的實現與評估 40
2.3.4 MergedNB的實現與評估 43
2.3.5 算法的嚮量化 50
2.4 半樸素貝葉斯與貝葉斯網 53
2.4.1 半樸素貝葉斯 53
2.4.2 貝葉斯網 54
2.5 相關數學理論 55
2.5.1 貝葉斯公式與後驗概率 55
2.5.2 離散型樸素貝葉斯算法 56
2.5.3 樸素貝葉斯和貝葉斯決策 58
2.6 本章小結 59
第3章　決策樹 60
3.1 數據的信息 60
3.1.1 信息論簡介 61
3.1.2 不確定性 61
3.1.3 信息的增益 65
3.1.4 決策樹的生成 68
3.1.5 相關的實現 77
3.2 過擬閤與剪枝 92
3.2.1 ID3、C4.5的剪枝算法 93
3.2.2 CART剪枝 100
3.3 評估與可視化 103
3.4 相關數學理論 111
3.5 本章小結 113
第4章　集成學習 114
4.1 “集成”的思想 114
4.1.1 眾擎易舉 115
4.1.2 Bagging與隨機森林 115
4.1.3 PAC框架與Boosting 119
4.2 隨機森林算法 120
4.3 AdaBoost算法 124
4.3.1 AdaBoost算法陳述 124
4.3.2 弱模型的選擇 126
4.3.3 AdaBoost的實現 127
4.4 集成模型的性能分析 129
4.4.1 隨機數據集上的錶現 130
4.4.2 異或數據集上的錶現 131
4.4.3 螺鏇數據集上的錶現 134
4.4.4 蘑菇數據集上的錶現 136
4.5 AdaBoost算法的解釋 138
4.6 相關數學理論 139
4.6.1 經驗分布函數 139
4.6.2 AdaBoost與前嚮分步加法模型 140
4.7 本章小結 142
第5章　支持嚮量機 144
5.1 感知機模型 145
5.1.1 綫性可分性與感知機策略 145
5.1.2 感知機算法 148
5.1.3 感知機算法的對偶形式 151
5.2 從感知機到支持嚮量機 153
5.2.1 間隔最大化與綫性SVM 154
5.2.2 SVM算法的對偶形式 158
5.2.3 SVM的訓練 161
5.3 從綫性到非綫性 163
5.3.1 核技巧簡述 163
5.3.2 核技巧的應用 166
5.4 多分類與支持嚮量迴歸 180
5.4.1 一對多方法（One-vs-Rest） 180
5.4.2 一對一方法（One-vs-One） 181
5.4.3 有嚮無環圖方法（Directed Acyclic Graph Method） 181
5.4.4 支持嚮量迴歸（Support Vector Regression） 182
5.5 相關數學理論 183
5.5.1 梯度下降法 183
5.5.2 拉格朗日對偶性 185
5.6 本章小結 187
第6章　神經網絡 188
6.1 從感知機到多層感知機 189
6.2 前嚮傳導算法 192
6.2.1 算法概述 193
6.2.2 激活函數（Activation Function） 195
6.2.3 損失函數（Cost Function） 199
6.3 反嚮傳播算法 200
6.3.1 算法概述 200
6.3.2 損失函數的選擇 202
6.3.3 相關實現 205
6.4 特殊的層結構 211
6.5 參數的更新 214
6.5.1 Vanilla Update 217
6.5.2 Momentum Update 217
6.5.3 Nesterov Momentum Update 219
6.5.4 RMSProp 220
6.5.5 Adam 221
6.5.6 Factory 222
6.6 樸素的網絡結構 223
6.7 “大數據”下的網絡結構 227
6.7.1 分批（Batch）的思想 228
6.7.2 交叉驗證 230
6.7.3 進度條 231
6.7.4 計時器 233
6.8 相關數學理論 235
6.8.1 BP算法的推導 235
6.8.2 Softmax + log-likelihood組閤 238
6.9 本章小結 240
第7章　捲積神經網絡 241
7.1 從NN到CNN 242
7.1.1 “視野”的共享 242
7.1.2 前嚮傳導算法 243
7.1.3 全連接層（Fully Connected Layer） 250
7.1.4 池化（Pooling） 251
7.2 利用TensorFlow重寫NN 252
7.2.1 反嚮傳播算法 252
7.2.2 重寫Layer結構 253
7.2.3 實現SubLayer結構 255
7.2.4 重寫CostLayer結構 261
7.2.5 重寫網絡結構 262
7.3 將NN擴展為CNN 263
7.3.1 實現捲積層 263
7.3.2 實現池化層 266
7.3.3 實現CNN中的特殊層結構 267
7.3.4 實現LayerFactory 268
7.3.5 擴展網絡結構 270
7.4 CNN的性能 272
7.4.1 問題描述 272
7.4.2 搭建CNN模型 273
7.4.3 模型分析 280
7.4.4 應用CNN的方法 283
7.4.5 Inception 286
7.5 本章小結 289
附錄A　Python入門 290
附錄B　Numpy入門 303
附錄C　TensorFlow入門 310
· · · · · · (收起)